1.基于CMMOG模型的未知锂离子电池健康状态估计方法,其特征在于,包括:对数据集中的所有锂离子电池均进行多次的充放电循环,收集每个锂离子电池在每次充放电循环中的电池数据和健康状态数据;充放电循环包括恒流充电阶段、恒压充电阶段和脉冲放电阶段;
根据每个锂离子电池在每个充放电循环中的电池数据,确定锂离子电池的主要老化指标和辅助老化指标;
基于数据集中锂离子电池的主要老化指标、辅助老化指标和健康状态数据,建立基于卷积神经网络和混合多门控循环单元的CMMOG健康状态估计模型;
将未知锂离子电池的主要老化指标和辅助老化指标,输入至CMMOG健康状态估计模型,获得未知锂离子电池的健康状态估计值;
所述根据每个锂离子电池在每个充放电循环中的电池数据,确定锂离子电池的主要老化指标和辅助老化指标中,所述电池数据包括充放电过程的电池电压、电池电流、电池容量和电池表面温度;
所述主要老化指标包括恒流充电阶段、恒压充电阶段的IC曲线面积以及脉冲放电阶段电压容量欧式距离;所述辅助老化指标包括充放电循环的电池表面温度序列的模糊熵值;
所述基于数据集中锂离子电池的主要老化指标、辅助老化指标和健康状态数据,建立基于卷积神经网络和混合多门控循环单元的CMMOG健康状态估计模型中,所述CMMOG健康状态估计模型包括CNN层、GRU专家网络层和子任务专用网络层;
所述CNN层,用于将输入的锂离子电池的老化特征融合成高维电池健康特征序列;所述老化特征为锂离子电池的主要老化指标和辅助老化指标;
所述GRU专家网络层中有至少两个GRU专家网络模型,每个所述GRU专家网络模型用于对输入的高维电池健康特征进行处理,输出与子任务对应的输出结果;
所述子任务专用网络层,用于使用与子任务对应的门控网络调配每个子任务中所有专家网络模型的映射权重;并根据每个子任务中所有专家网络模型的映射权重和每个专家网络模型输出的与子任务对应的输出结果,确定每个子任务的最终输出结果;在CMMOG健康状态估计模型的训练过程中,子任务的最终输出结果为子任务对应的锂离子电池的健康状态值,在CMMOG健康状态估计模型的测试过程中,基于每个子任务的最终输出结果,通过深度神经网络映射子任务模长,以完成对未知锂离子电池的健康状态估计。
2.根据权利要求1所述的基于CMMOG模型的未知锂离子电池健康状态估计方法,其特征在于,所述对数据集中的所有锂离子电池均进行多次的充放电循环,收集在每次充放电循环中的电池数据和健康状态数据中,第c个所述锂离子电池在第i个充放电循环的电池健康状态H
其中,C
3.根据权利要求1所述的基于CMMOG模型的未知锂离子电池健康状态估计方法,其特征在于,第c个电池在第i个充放电循环的所述恒流充电阶段的IC曲线面积CCArea其中,u为恒流充电阶段采样点的编号,Q
第c个电池在第i个充放电循环的所述恒压充电阶段的IC曲线面积CVArea其中,m为恒压充电阶段采样点的编号,Q
第c个电池在第i个充放电循环的所述脉冲放电阶段电压容量欧式距离ED其中,q为脉冲放电的初始序列号,t为充放电时数据采样间隔时间,z为采样次数,Q
4.根据权利要求1所述的基于CMMOG模型的未知锂离子电池健康状态估计方法,其特征在于,所述用于将输入的锂离子电池的老化特征融合成高维电池健康特征序列中,老化特征在CNN层中分别经过5×5卷积、最大池化、3×3卷积、平均池化操作,融合成高维电池健康特征序列;
所述根据每个子任务中所有专家网络模型的映射权重和每个专家网络模型输出的与子任务对应的输出结果,确定每个子任务的最终输出结果中,第m个所述子任务的最终输出结果y
y
g
其中,Liner
5.根据权利要求1所述的基于CMMOG模型的未知锂离子电池健康状态估计方法,其特征在于,所述基于数据集中锂离子电池的主要老化指标、辅助老化指标和健康状态数据,建立基于卷积神经网络和混合多门控循环单元的CMMOG健康状态估计模型中,将数据集划分为训练集和测试集,在建立CMMOG健康状态估计模型时,使用训练集进行训练,并使用测试集对训练后的CMMOG健康状态估计模型进行测试;
所述CMMOG健康状态估计模型在训练时的目标优化函数为:
其中,Loss(Sample
6.一种基于CMMOG模型的未知锂离子电池健康状态估计系统,其特征在于,包括:老化特征获取模块,用于获取未知锂离子电池的主要老化指标和辅助老化指标;
估计模块,用于将未知锂离子电池的主要老化指标和辅助老化指标,输入至由模型构建模块输出的CMMOG健康状态估计模型,获得未知锂离子电池的健康状态估计值;
所述模型构建模块包括获取单元、确定单元和构建单元;
获取单元,用于对数据集中的所有锂离子电池均进行多次的充放电循环,收集每个锂离子电池在每次充放电循环中的电池数据和健康状态数据;充放电循环包括恒流充电阶段、恒压充电阶段和脉冲放电阶段;
确定单元,用于根据每个锂离子电池在每个充放电循环中的电池数据,确定锂离子电池的主要老化指标和辅助老化指标;
构建单元,用于基于数据集中锂离子电池的主要老化指标、辅助老化指标和健康状态数据,建立基于卷积神经网络和混合多门控循环单元的CMMOG健康状态估计模型;
所述根据每个锂离子电池在每个充放电循环中的电池数据,确定锂离子电池的主要老化指标和辅助老化指标中,所述电池数据包括充放电过程的电池电压、电池电流、电池容量和电池表面温度;
所述主要老化指标包括恒流充电阶段、恒压充电阶段的IC曲线面积以及脉冲放电阶段电压容量欧式距离;所述辅助老化指标包括充放电循环的电池表面温度序列的模糊熵值;
所述基于数据集中锂离子电池的主要老化指标、辅助老化指标和健康状态数据,建立基于卷积神经网络和混合多门控循环单元的CMMOG健康状态估计模型中,所述CMMOG健康状态估计模型包括CNN层、GRU专家网络层和子任务专用网络层;
所述CNN层,用于将输入的锂离子电池的老化特征融合成高维电池健康特征序列;所述老化特征为锂离子电池的主要老化指标和辅助老化指标;
所述GRU专家网络层中有至少两个GRU专家网络模型,每个所述GRU专家网络模型用于对输入的高维电池健康特征进行处理,输出与子任务对应的输出结果;
所述子任务专用网络层,用于使用与子任务对应的门控网络调配每个子任务中所有专家网络模型的映射权重;并根据每个子任务中所有专家网络模型的映射权重和每个专家网络模型输出的与子任务对应的输出结果,确定每个子任务的最终输出结果;在CMMOG健康状态估计模型的训练过程中,子任务的最终输出结果为子任务对应的锂离子电池的健康状态值,在CMMOG健康状态估计模型的测试过程中,基于每个子任务的最终输出结果,通过深度神经网络映射子任务模长,以完成对未知锂离子电池的健康状态估计。
7.一种计算机设备,其特征在于,包括处理器和存储器;其中,处理器执行存储器中保存的计算机程序时实现权利要求1-5任一项所述的基于CMMOG模型的未知锂离子电池健康状态估计方法的步骤。
8.一种计算机可读存储介质,其特征在于,用于存储计算机程序;计算机程序被处理器执行时实现权利要求1-5任一项所述的基于CMMOG模型的未知锂离子电池健康状态估计方法的步骤。